作者 | Wang Yuanteng
CST支持多核、GPU、分布式计算和MPI多种加速方式。对于使用工作站进行仿真的用户，多核和GPU加速是最为普遍采用的方式，尤其对于时域求解器，GPU加速提供了更加高效的加速效果（GPU具有更宽的带宽）。本期我们将会展示一些GPU及CPU的加速性能测试结果供用户参考。
在CST的Help中有专门的GPU Computing Guide，这份指导书能够帮助我们找到合适的GPU提升计算效率。其中第6章和第13章分别介绍了NVIDIA和AMD GPU卡使用的注意事项和官方支持的GPU卡列表。
以下为NVIDA GPU使用的注意事项，这里需特别注意红框中的两条：CST官方支持的GPU是经过同CST软件良好测试和验证过的；FP64性能低于FP32性能的GPU不适合需要FP64高性能的求解器。
这里以CST 2024版为例，如下是官方支持的NVIDIA GPU列表和性能参数。
我们重点关注的性能参数是内存、带宽和单精度（FP32）、双精度（FP64）。FP32格式除用于高性能计算外，一直也是深度学习使用的主力；FP64（双精度）格式则更多用于精度要求较高的科学计算，通常不用于深度学习计算。所以，我们可以看到出于应用领域不同，有些GPU卡的FP32和FP64性能差距是非常大的。在上面表格中已经通过注释3将这一类卡标出，对照GPU Computing Guide中2.1章节Supported Solvers and Features for NVIDIA GPUs，可以看到是I、M和A求解器对良好的双精度性能有要求。如果我们主要使用时域求解器进行计算，那么对双精度的要求则不是必须的。
因此，这次测试我选取了4个不同网格数量的模型使用时域求解器进行仿真对比。
这里测试使用的GPU卡为NVIDIA RTX 5880 Ada ，它是一款面向消费级和AI训推等专业领域应用的产品。我们将它与曾经的NVIDIA旗舰卡V100做个参数对比，可以看到在显存容量、显存带宽和单精度3个方面，RTX 5880 Ada 都有不错的性能参数。那具体在CST的仿真加速上会表现如何呢？
为了排除使用不同的CPU对整体计算时间的影响，仅对比仿真过程中的Loop time。
可以看到，其中3组结果，RTX5880性能都超过了V100。并且在总网格数量2亿的BleuCar算例中，一张V100无法完成计算的情况下，使用一张 RTX5880的性能已经接近两张V100了。这说明RTX5880在时域求解器的提速表现是非常不错的。
另外，由于一些客户对多核加速性能感兴趣，我们也进行了一组CPU多核加速的对比。所使用到的CPU是AMD Ryzen Threadripper PRO 7995WX，搭载96个物理核心，主频2.5GHz，最高睿频可至5.1GHz，这使其提供了卓越的计算能力。只使用这款CPU进行多核仿真也达到了不错的仿真效率，这里对比另外一款32核，2.0GHz主频的CPU，可以看到在4组仿真的速度提升都非常明显。
总的来说，我们仍然推荐用户首先考虑官网支持列表内的GPU进行计算提速，这些卡已经经过CST软件全面的测试和验证。但如果基于实际的市场情况必须考虑列表之外的GPU卡时，可以参考本例中的测试进行性能评估。关于如何在CST中使用这一类非官方支持的GPU卡可参考FAQ054：如何使用官方未正式支持的GPU进行设置。如果没有GPU情况下，那么使用高性能的CPU也会使你的计算提速。
（内容、图片来源：CST仿真专家之路公众号，侵删）
版权与免责声明：
凡未注明作者、来源的内容均为转载稿，如出现版权问题，请及时联系我们处理。我们对页面中展示内容的真实性、准确性和合法性均不承担任何法律责任。如内容信息对您产生影响，请及时联系我们修改或删除。
